结直肠癌组织纹理分类

分享给好友

2019-11-02 15:00:00
开始提交

2019-12-02 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 43
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}

$vue{csvName}上传成功
取消 确认提交

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

结直肠癌(colorectal cancer,CRC)位于常见恶性肿瘤第三位并且死亡率极高,其早期诊断和肿瘤分期对治疗方式的选择有重要意义。近年来,越来越多的研究表明,纹理分析通过分析影像中像素或体素灰度的分布和联系,挖掘其细微结构和变化规律,能够更精确地评估肿瘤异质性、内在侵袭性和治疗抗性。因此纹理分析有助于肿瘤的早期诊断、分期和预后评估。

本赛题主要对结直肠癌的纹理影像进行分类,其中据集包含了5000张结直肠癌纹理的图片,图片大小为150*150的RGB图片。图片共分为8个类别,代表8种不同的纹理。

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

参赛方式

  • 方式一:
  • 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
  • 方式二:
  • 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分,在本地进行代码调试的教程请查看[文档中心]

参赛选手说明

  • 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
  • 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
  • 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
  • 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
  • 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦

比赛作品说明

  • 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
  • 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
  • 多开小号报名、提交,一经发现将取消参赛资格
  • 禁止使用外部链接下载代码替换本项目代码
  • 比赛过程中,通过脚本获取比赛数据,成绩无效
  • 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
  • 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
  • 提交的代码具备可解释性并且其它开源框架可复现
  • 所有相似代码将一律不通过审核!!情况多次出现者封号处理
  • 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
  • 提交代码即视为阅读并同意以上比赛作品说明

大赛奖项设置

奖项说明:

奖项设置 获奖人数 奖金额度说明(按最终得分评判)
参与奖(总奖金20%) 所有人 根据基线得分与100分之间,分成5个奖金区间;不同得分区间获得相应的竞赛奖金。
突破奖(总奖金10%) 所有人 更新排行榜最高分数,获得相应的竞赛奖金
排名奖(总奖金70%) 月赛前5名 奖金发放最终以月为单位,前5名获奖占比以K系数表示,分别为:0.45,0.25,0.15,0.1,0.05
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

赛事主题和数据说明

赛题描述

通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!

数据描述

由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]

字段说明:

文件名 字段名称 字段类型 备注
image_path string 不为空 图片路径
label string 不为空 类别

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: label,

评审指标说明

  • 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
  • True,表示预测正确的样本数数量
  • Total Number of Samples,表示实际总样本数数量
  • 计算公式如下:

比赛常见问题说明

Q:比赛使用什么框架?

  • 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。

Q:怎么参加比赛,需不需要提交CSV文件?

  • FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。

Q:比赛排行榜分数怎么得到的?

  • 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。
超过 85分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

善假于物

1907.41

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.90。

2019-11-26 12:53:16

1907.41

98.90

第三名

小林子

1068.00

batch数据为20,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为98.80。

2019-11-16 18:42:26

1068.00

98.80

第三名

大木淡漠

648.75

batch数据为64,循环次数为75次,通过在线上环境完成训练,模型最优精度评分为98.70。

PyTorch

SEnet

2019-12-02 13:20:36

648.75

98.70

4

trickornot

420.00

batch数据为64,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为98.60。

2019-11-30 18:29:04

420.00

98.60

5

一口大怪兽

373.38

batch数据为1,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为98.50。

2019-11-15 12:42:30

373.38

98.50

6

AMERICA

batch数据为100,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为98.50。

2019-11-22 12:55:10

98.50

7

emmm我还没想好

708.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.40。

PyTorch

SEnet

2019-11-19 05:47:23

708.00

98.40

8

gboy

batch数据为64,循环次数为55次,通过在线上环境完成训练,模型最优精度评分为98.40。

PyTorch

SEnet

2019-12-01 22:39:45

98.40

9

cnn

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为98.30。

2019-11-18 19:24:52

98.30

10

交差墒

1.17

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.20。

PyTorch

Desenet

2019-11-20 13:36:05

1.17

98.20

11

WYC

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为98.20。

MXNet

ResNet

2019-11-23 17:31:23

98.20

12

qqm

batch数据为32,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为98.20。

PyTorch

SEnet

2019-11-30 20:07:23

98.20

13

快来追我呀

batch数据为16,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为98.20。

2019-12-01 11:48:47

98.20

14

Daiccccc

53.50

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.00。

2019-11-05 08:04:43

53.50

98.00

15

忘忧草892

14.07

batch数据为64,循环次数为39次,通过在线上环境完成训练,模型最优精度评分为97.90。

2019-11-03 20:06:25

14.07

97.90

16

Vitto

batch数据为128,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为97.90。

2019-11-20 19:05:26

97.90

17

把你吃掉

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为97.90。

PyTorch

SEnet

2020-02-07 09:37:01

97.90

18

天涯·明月·刀

18.75

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为97.80。

2019-11-08 01:54:02

18.75

97.80

19

西北风

324.00

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为97.50。

PyTorch

SEnet

2019-11-01 09:46:35

324.00

97.50

20

qi1572573667

batch数据为64,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为97.40。

2019-11-19 14:58:53

97.40

21

龙傲天

batch数据为128,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为97.30。

2019-11-24 15:47:10

97.30

22

呵了个呵。

batch数据为16,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为97.20。

2019-11-07 19:13:49

97.20

23

yangsmile

batch数据为256,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为97.20。

2019-11-20 18:43:33

97.20

24

Honay, King

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为97.10。

2019-11-15 15:44:06

97.10

25

D.N.A

batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为97.10。

2019-11-17 10:56:07

97.10

26

龙龙

batch数据为32,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为97.10。

PyTorch

SEnet

2019-12-25 11:59:22

97.10

27

Mengcius

5.34

batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为97.00。

2019-11-05 13:24:05

5.34

97.00

28

李黎明

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为97.00。

2019-11-15 17:17:15

97.00

29

batter

3.00

batch数据为4,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为97.00。

PyTorch

SEnet

2019-11-16 10:01:57

3.00

97.00

30

chenfengshf

8.34

batch数据为20,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为96.90。

2019-11-30 20:35:34

8.34

96.90

31

流年相摧

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为96.80。

2019-11-10 03:25:34

96.80

32

Mr......

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为96.80。

2019-11-17 13:56:54

96.80

33

Zkk_hhh

12.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为96.70。

PyTorch

SEnet

2019-11-10 00:40:59

12.00

96.70

34

居(^・ェ・^)

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为96.60。

2019-11-21 19:27:14

96.60

35

zozo

batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为96.50。

PyTorch

SEnet

2019-11-19 19:33:34

96.50

36

siaya

6.00

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为96.10。

2019-11-14 13:23:18

6.00

96.10

37

Tk more tk less

batch数据为100,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.90。

PyTorch

SEnet

2019-11-15 18:23:40

95.90

38

LVgm

batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为95.80。

2019-11-14 22:21:33

95.80

39

nice

batch数据为64,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为95.50。

2019-11-04 17:48:41

95.50

40

Wghost

1.17

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.40。

2019-11-05 04:12:07

1.17

95.40

41

killf

batch数据为32,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为95.30。

2019-11-03 21:12:55

95.30

42

哈尔的移动城堡

batch数据为20,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为95.30。

2019-11-13 03:13:29

95.30

43

batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.00。

2019-12-07 23:25:21

95.00

44

sigmoid

batch数据为16,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为94.80。

PyTorch

SEnet

2019-11-05 04:13:47

94.80

45

Winteriscoming

127.50

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为94.20。

2019-11-01 09:19:10

127.50

94.20

46

田海滨

5.63

batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为94.10。

2019-11-04 23:31:54

5.63

94.10

47

Nelson

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为93.80。

2019-11-09 09:30:21

93.80

48

milixiang

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为93.80。

2019-11-26 17:56:03

93.80

49

小房子

batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为93.70。

2019-11-13 21:35:37

93.70

50

希布

batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为93.60。

2019-11-16 20:10:31

93.60

51

宇宙

26.81

batch数据为256,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为93.40。

PyTorch

SEnet

2019-11-02 12:15:22

26.81

93.40

52

张小张

batch数据为200,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为93.20。

2019-12-03 08:33:14

93.20

53

他的国

batch数据为8,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为92.50。

2019-11-14 16:21:54

92.50

54

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为92.30。

2019-11-18 14:29:41

92.30

55

满堂彩

batch数据为32,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为92.10。

2019-11-06 21:16:50

92.10

56

超爱喝酸奶

93.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为91.90。

PyTorch

SEnet

2019-11-01 14:37:59

93.00

91.90

57

外星人

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.90。

2019-11-14 13:29:27

91.90

58

N丶

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为91.80。

2019-11-18 10:56:10

91.80

59

clare

22.50

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.70。

PyTorch

SEnet

2019-11-01 15:36:54

22.50

91.70

60

208.

14.25

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为91.50。

2019-11-03 10:44:48

14.25

91.50

61

领衔主演

batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为91.50。

2019-11-05 02:04:02

91.50

62

史开杰

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.40。

2019-11-04 13:03:47

91.40

63

黄劲潮

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为91.20。

2019-11-16 16:35:03

91.20

64

DG

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为91.00。

2019-11-23 14:36:14

91.00

65

公门桃李争荣日

batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为90.90。

2019-11-14 21:23:53

90.90

66

童雪清

batch数据为192,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为90.60。

2019-11-28 14:42:54

90.60

67

WF

batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为90.50。

2019-11-17 05:01:46

90.50

68

黄花寒后难逢蝶

batch数据为16,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为90.30。

2019-11-05 13:34:09

90.30

69

罗二

batch数据为32,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为90.30。

2019-11-20 13:26:35

90.30

70

禾口王

batch数据为64,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为88.90。

2019-12-01 21:54:38

88.90

71

myue

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为88.90。

2019-12-03 13:03:41

88.90

72

batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为88.20。

Keras

ResNet50

2019-11-11 20:27:03

88.20

73

范晔

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为88.10。

2019-11-07 11:41:18

88.10

74

陈鑫1569836074

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为88.00。

2019-11-08 16:49:31

88.00

75

Leong_Logan

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.60。

2019-11-03 18:47:38

87.60

76

乐呵的太阳

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.20。

2019-11-04 11:12:30

87.20

77

HS1574996796

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为86.90。

2019-12-01 21:24:21

86.90

78

顺子

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为86.70。

2019-11-27 15:04:53

86.70

79

ccy

batch数据为32,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为86.40。

2019-11-10 23:16:45

86.40

80

乌龙烤奶

batch数据为128,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为85.30。

2019-11-20 14:57:53

85.30

81

ON-looker

batch数据为200,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为84.50。

PyTorch

SEnet

2019-11-01 03:20:26

84.50

82

嘻嘻嘻哈哈

batch数据为100,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为84.50。

PyTorch

SEnet

2019-11-12 12:59:20

84.50

83

h1566452233

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为84.40。

2019-11-18 17:19:14

84.40

84

wsure

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为84.40。

2019-11-21 12:25:00

84.40

85

侯伟

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为84.30。

2019-11-21 17:47:16

84.30

86

sakuranew

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为83.30。

PyTorch

SEnet

2019-11-01 11:30:08

83.30

87

An

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为83.10。

2019-11-16 01:14:22

83.10

88

mki

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为82.90。

2019-11-02 21:06:14

82.90

89

海1574080440

batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为82.50。

2019-11-28 22:47:32

82.50

90

开拓者

batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为82.10。

2019-11-01 19:55:37

82.10

91

大山1563190752

batch数据为500,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为80.70。

PyTorch

SEnet

2020-02-26 10:12:02

80.70

92

可堪回首

batch数据为50,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为79.90。

2019-11-23 21:52:32

79.90

93

先生小时是学生

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为79.90。

2019-12-04 04:39:40

79.90

94

张先生

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为79.40。

2019-11-28 16:55:01

79.40

95

geeker

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为79.30。

2019-11-07 14:51:30

79.30

96

阿虚

batch数据为128,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为79.00。

2019-11-05 18:47:33

79.00

97

卡拉玛哈马塔

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为78.60。

2019-11-26 14:02:30

78.60

98

天天向上

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为77.30。

2019-11-15 14:01:58

77.30

99

a554142589

batch数据为32,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为77.20。

2019-11-06 14:02:59

77.20

100

RRRubick

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为76.90。

PyTorch

SEnet

2019-11-22 19:21:36

76.90

101

搬砖的长工

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为76.30。

2019-11-05 00:49:14

76.30

102

Nie

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为76.30。

2019-11-20 18:24:05

76.30

103

美式半糖不加奶

batch数据为64,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为76.10。

PyTorch

SEnet

2019-11-02 07:42:57

76.10

104

王大秀

batch数据为128,循环次数为900次,通过在线上环境完成训练,模型最优精度评分为75.00。

2019-12-25 16:21:01

75.00

105

Stu_Sun

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为74.00。

2019-11-21 02:08:48

74.00

106

deyiwang

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为73.60。

2019-11-13 00:16:14

73.60

107

VicCao

batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为73.10。

2019-11-14 16:21:59

73.10

108

陆先生。

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为72.50。

2019-11-01 11:03:58

72.50

109

cv1557321940

batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为72.50。

2019-11-26 02:11:08

72.50

110

方形的树

batch数据为512,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为71.60。

2021-05-07 17:34:50

71.60

111



batch数据为256,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为71.50。

2019-11-28 13:24:59

71.50

112

The end.终结

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为70.60。

2019-11-01 17:57:13

70.60

113

会飞的猪

batch数据为128,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为69.80。

2019-11-15 10:27:33

69.80

114

Mr.Stone

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为69.60。

2019-11-07 13:41:32

69.60

115

张文虎

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为69.30。

2019-11-01 10:22:09

69.30

116

友情小爪

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为68.30。

2019-11-04 02:25:10

68.30

117

释然

batch数据为24,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为67.60。

PyTorch

SEnet

2019-11-08 05:50:16

67.60

118

耿耿

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为67.50。

2019-12-01 23:17:45

67.50

119

大熊

batch数据为256,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为67.30。

2019-11-29 11:21:29

67.30

120

灰灰~

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为67.10。

2019-11-20 20:23:14

67.10

121

hpd

batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为66.40。

2019-11-12 12:28:39

66.40

122

马鹏程

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为65.10。

2019-11-02 10:04:07

65.10

123

LonglongaaaGo

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为64.70。

2019-11-04 05:22:12

64.70

124

persue

batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为64.20。

2019-11-05 09:12:32

64.20

125

hpo3

batch数据为16,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为63.80。

2019-11-10 15:44:23

63.80

126

who

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为62.90。

2019-11-05 14:08:39

62.90

127

诗人藏夜里

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为62.00。

2019-11-01 16:54:02

62.00

128

batch数据为24,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为61.80。

2019-11-01 11:50:01

61.80

129

清风伴酒

batch数据为16,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为57.10。

2020-03-13 14:11:40

57.10

130

阿丁丁

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为54.90。

2019-11-02 07:57:05

54.90

131

旖旎εїз

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为54.50。

2019-11-03 13:32:53

54.50

132

吖查

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为54.10。

2019-11-26 21:39:03

54.10

133

King_HAW

batch数据为24,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为52.30。

2019-11-12 13:04:24

52.30

134

Stacey

batch数据为100,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为51.00。

2019-11-06 00:22:02

51.00

135

青松

batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为50.70。

2019-11-15 14:26:17

50.70

136

foxerlee

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为47.30。

2019-11-02 08:52:17

47.30

137

*猫

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为45.40。

2019-11-03 18:43:59

45.40

138

weidong

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为32.10。

2019-11-10 05:57:11

32.10

139

邱星晨

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为31.10。

2020-02-20 02:32:24

31.10

140

alenweiru

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为31.00。

2019-11-01 15:18:18

31.00

141

Gypsophila

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为30.30。

2019-11-08 19:33:28

30.30

142

伯爵的艺术

batch数据为128,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为30.00。

2019-11-23 16:35:13

30.00

143

deny96

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为29.70。

2019-11-03 00:30:57

29.70

144

reallocing

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.50。

2019-11-22 18:03:09

29.50

145

哈哈哈哈哈哈哈

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.20。

2019-11-12 18:02:22

29.20

146

找欧阳修啊

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为29.20。

2019-11-14 20:38:17

29.20

147

哈利路亚

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.20。

PyTorch

SEnet

2020-03-28 15:25:44

29.20

148

Lonely leaf

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为26.50。

2019-11-03 07:39:55

26.50

149

Xin Yao

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为25.90。

2019-11-02 18:45:29

25.90

150

RuthlessDragon

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为22.40。

2019-12-13 18:02:11

22.40

151

徐文逗

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为22.20。

2019-11-28 15:17:13

22.20

152

小烟

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为21.60。

2020-04-28 01:15:12

21.60

153

blackx1562937090

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为20.10。

2019-11-01 10:58:35

20.10

154

kk很沉默

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为19.80。

2019-11-12 12:14:48

19.80

155

Jeremy

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-10-31 20:27:13

16.90

156

ashergaga

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

SEnet

2019-10-31 20:59:36

16.90

157

jiao_xd17

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-10-31 21:51:58

16.90

158

Hello

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-10-31 23:00:12

16.90

159

呆头灰鸟

batch数据为100,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 01:01:06

16.90

160

liz

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 09:22:40

16.90

161

SissiFeng

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 09:36:22

16.90

162

青貉

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 09:37:37

16.90

163

桜下中年人

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

SEnet

2019-11-01 10:16:39

16.90

164

天马流星

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 10:28:29

16.90

165

Ranew

batch数据为256,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 10:34:41

16.90

166

小蜗牛

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 10:40:45

16.90

167

¿

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 10:54:36

16.90

168

哈哈哈1572280504

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 11:01:45

16.90

169

dada

batch数据为100,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 11:25:57

16.90

170

雨落天涯

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 11:43:13

16.90

171

Awayii

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 11:53:35

16.90

172

一只稚嫩的小金毛

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

ResU-Net

2019-11-01 12:11:38

16.90

173

叫我月月鸟

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 14:01:47

16.90

174

吴润民

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 14:17:12

16.90

175

-你算哪块小饼干

batch数据为32,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 14:29:24

16.90

176

我是一条龙

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 14:54:01

16.90

177

彬彬彬

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 14:56:40

16.90

178

mmmm

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 15:35:11

16.90

179

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 15:40:29

16.90

180

诚1572593975

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 15:41:41

16.90

181

时光小偷

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 15:43:38

16.90

182

结实

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 16:06:22

16.90

183

Vintage

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 16:20:03

16.90

184

娄志强

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 16:24:39

16.90

185

南スズメ

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 16:32:52

16.90

186

Super-hero

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 17:09:00

16.90

187

夏1564457098

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 17:38:38

16.90

188

iguang

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 18:06:55

16.90

189

blz

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 18:19:22

16.90

190

S.Y.B.

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 20:06:07

16.90

191

小西

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 20:16:24

16.90

192

山与海

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 20:21:06

16.90

193

A DO

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 20:22:30

16.90

194

systemdwy

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 20:35:07

16.90

195

网瘾少年

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 21:36:35

16.90

196

haoranyin

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 22:17:59

16.90

197

奈何

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 23:16:42

16.90

198

排骨不加糖醋

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-01 23:30:13

16.90

199

Haoran

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

TensorFlow

ResU-Net

2019-11-02 08:20:12

16.90

200

白天不懂夜的黑

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 08:59:42

16.90

201

Mr-杰

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 10:51:51

16.90

202

dreams

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 11:34:42

16.90

203

辽宁冬泳怪鸽

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 17:03:45

16.90

204

韩璐璐

batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 17:34:29

16.90

205

馒头

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 18:49:15

16.90

206

恰空

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 20:24:18

16.90

207

swag

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 21:02:06

16.90

208

AZ

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-02 22:56:10

16.90

209

Rsq (Ai)

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 11:10:21

16.90

210

世事如棋

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 12:04:14

16.90

211

没有

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 12:30:03

16.90

212

叫我小谢好了

batch数据为30,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

16.90

213

樊晨晨

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 13:11:30

16.90

214

rhapsody

batch数据为128,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 15:01:51

16.90

215

Loreaks

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 17:51:48

16.90

216

@i

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 18:52:26

16.90

217

Marskan

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 22:04:26

16.90

218

逸辰

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-03 22:13:03

16.90

219

iKnowher

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 10:08:47

16.90

220

Aaron丶张晗宇

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 11:20:59

16.90

221

梁霄

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 11:49:15

16.90

222

飘1569830243

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 14:21:58

16.90

223

苏晓伟

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 15:41:00

16.90

224

Genius'

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 15:51:57

16.90

225

Huachang Li

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 16:47:53

16.90

226

叶子依然

batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 20:03:57

16.90

227

mengtanx

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 21:32:07

16.90

228

Nannn

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 22:00:39

16.90

229

队长给我球

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 22:35:00

16.90

230

智能倩

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-04 23:48:46

16.90

231

LIYOUSHUI

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 08:58:06

16.90

232

广林

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 09:09:09

16.90

233

牛仔 three

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 09:27:57

16.90

234

linfly

batch数据为128,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 09:29:57

16.90

235

十三

batch数据为64,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 09:31:39

16.90

236

韭菜

batch数据为64,循环次数为250次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 10:27:57

16.90

237

Lilu

batch数据为8,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 12:03:38

16.90

238

kevzong

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 13:09:58

16.90

239

Hanjie

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 13:54:32

16.90

240

biggie2LO

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 14:25:58

16.90

241

王冠

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 14:59:15

16.90

242

纸鸢丶

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 16:45:52

16.90

243

SparkParis

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 16:54:44

16.90

244

好吧不好吧你都用

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 17:11:42

16.90

245

被你发现了

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 19:55:51

16.90

246

Ctrl+S

batch数据为128,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 20:28:18

16.90

247

yc.Su

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-05 22:09:23

16.90

248

Mr.Ni

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 08:53:31

16.90

249

怀瑜

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 09:24:25

16.90

250

张志辉_

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 09:45:27

16.90

251

李修楠

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 11:01:41

16.90

252

xhackJ

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 11:04:28

16.90

253

xiaolin1124

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 11:14:23

16.90

254

Hero11best

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 11:53:36

16.90

255

Alex220284

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 12:43:23

16.90

256

Turnin'

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 15:13:20

16.90

257

zs_zhang

batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 16:43:22

16.90

258

Joshua

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-06 18:01:49

16.90

259

undefined value

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 00:11:33

16.90

260

好热啊

batch数据为64,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 10:37:07

16.90

261

我要你快乐

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 10:52:26

16.90

262

KKK1573102346

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 12:59:32

16.90

263

Reid

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 13:45:45

16.90

264

starry

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 13:48:00

16.90

265

飞1573114158

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 16:15:24

16.90

266

朱乾龙

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 16:30:33

16.90

267

牟中强@手之声

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 16:46:05

16.90

268

empty123007

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 17:13:13

16.90

269

躺平认命

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 18:10:15

16.90

270

李元杰1573123450

batch数据为16,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-07 18:46:27

16.90

271

learnFromBest

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 00:24:01

16.90

272

Communist

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 07:51:12

16.90

273

任晔

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 09:27:48

16.90

274

沉默的大多数

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 10:09:52

16.90

275

hajohn

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 10:31:12

16.90

276

给你我的小心心

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 10:51:43

16.90

277

ustc

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 12:02:37

16.90

278

你好,猫小姐

batch数据为1,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-08 22:18:14

16.90

279

随遇而安

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-09 09:43:54

16.90

280

酥暖苏暖

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-09 17:53:57

16.90

281

HYWZ~。~

batch数据为64,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-10 10:53:31

16.90

282

藏晖

batch数据为64,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-10 22:24:35

16.90

283

Veloma

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 01:01:05

16.90

284

大勇

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 10:59:46

16.90

285

任永亮_测测

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 14:15:53

16.90

286

姬了个喵

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 16:10:44

16.90

287

章鑫

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 17:30:53

16.90

288

beginning

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 18:00:14

16.90

289

源(苏润木)

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 18:25:46

16.90

290

周呈峰

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 18:39:42

16.90

291

南笙

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 18:48:42

16.90

292

蒯玥

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 18:59:13

16.90

293

sunshine1573469860

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 19:11:37

16.90

294

ZhengPeng

batch数据为96,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 20:49:56

16.90

295

雄赳赳

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 21:45:19

16.90

296

Lesi

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-11 23:15:54

16.90

297

陈筱

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 00:14:02

16.90

298

林拾一

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 04:33:09

16.90

299

Aha

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 10:35:50

16.90

300

changfeng

batch数据为10,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 13:32:31

16.90

301

疯狂De耗子

batch数据为25,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 15:07:52

16.90

302

星空

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 15:20:13

16.90

303

Max_pengjb

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 16:34:54

16.90

304

不靠谱的猫

batch数据为64,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 16:50:22

16.90

305

一只想去北极的企鹅

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-12 20:23:51

16.90

306

苦沁

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-13 10:43:37

16.90

307

奚祥品

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-13 11:47:49

16.90

308

L.J.

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-13 13:16:49

16.90

309

怎么又错了

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-13 14:51:38

16.90

310

None1573696230

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 09:57:13

16.90

311

Boyce Avenue

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 12:18:13

16.90

312

KevinYang

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 16:38:18

16.90

313

胡涂涂

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 17:42:42

16.90

314

周文略

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 18:14:50

16.90

315

qqqccc

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 21:05:49

16.90

316

一笑1573738314

batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 21:35:51

16.90

317

sw2009

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 22:36:12

16.90

318

今朝有酒今朝醉

batch数据为64,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-14 23:00:32

16.90

319

Doran

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-15 11:23:00

16.90

320

rr

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-15 14:08:52

16.90

321

yanqixin

batch数据为64,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-15 14:32:26

16.90

322

george1573799351

batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-15 14:40:53

16.90

323

多年未见

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-15 15:27:54

16.90

324

Keaton

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-16 10:12:02

16.90

325

diamondsky

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-16 20:34:51

16.90

326

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-16 22:40:56

16.90

327

superchong

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-17 19:53:56

16.90

328

Thomas1571796308

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-18 12:32:21

16.90

329

雁塔无痕

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-18 22:07:43

16.90

330

作业借我抄

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-19 09:38:16

16.90

331

曲华

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-19 15:12:10

16.90

332

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-19 18:55:06

16.90

333

@洋

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-19 22:30:13

16.90

334

DOBEST

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-20 08:41:15

16.90

335

bigyut

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-20 14:09:07

16.90

336

瞅瞅天瞅瞅地

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-20 23:23:19

16.90

337

会员1574298361

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 09:08:40

16.90

338

雨夜

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 09:53:40

16.90

339

张小锋

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 13:58:33

16.90

340

漫步云端丶

batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 16:01:42

16.90

341

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 16:02:42

16.90

342

死猪一只

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 17:51:21

16.90

343

王哪走

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 18:55:00

16.90

344

阴先生

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 20:59:46

16.90

345

clayne

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-21 22:40:27

16.90

346

李长安

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-23 23:05:59

16.90

347

xxxx

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-23 23:12:29

16.90

348

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-24 15:29:00

16.90

349

lyp741

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-24 15:54:51

16.90

350

poplar

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-24 20:58:06

16.90

351

gfdskl

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-25 10:12:31

16.90

352

AugustQi

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-25 16:11:59

16.90

353

知明

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-26 14:22:19

16.90

354

未来可期

batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-26 22:23:18

16.90

355

I.lmF.

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-27 20:51:10

16.90

356

Downey

batch数据为1,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-27 21:37:59

16.90

357

YGJ

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-28 15:11:44

16.90

358

李松

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-29 01:27:06

16.90

359

不丧

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-29 14:56:47

16.90

360

暖阳1574941098

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-29 15:31:29

16.90

361

dark444steel

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-11-30 02:12:09

16.90

362

Rush Hour

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-01 11:19:52

16.90

363

sapphire

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-02 21:06:08

16.90

364

张健铭

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-05 13:42:47

16.90

365

Chen_

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-05 15:30:00

16.90

366

flyai会员1575850849

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-09 13:14:40

16.90

367

上山打老鼠

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-14 19:54:46

16.90

368

Angel.S.G.

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-17 10:46:30

16.90

369

flyai会员1576652482

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-18 15:03:54

16.90

370

Endeavour

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-23 21:44:36

16.90

371

John1577345072

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-26 15:28:11

16.90

372

flyai会员1577430719

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-27 15:46:46

16.90

373

handsome1572610821

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-12-29 14:45:27

16.90

374

佳乐

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-01-03 14:39:29

16.90

375

silence1578058634

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-01-03 21:51:30

16.90

376

王册

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

SEnet

2020-01-07 11:28:30

16.90

377

秋秋1572802533

batch数据为2,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

SEnet

2020-01-09 20:20:21

16.90

378

Untitled

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-01-10 09:26:51

16.90

379

萄玎

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-01-17 21:05:12

16.90

380

Lin1580030365

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-01-26 17:25:43

16.90

381

是阿正

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-09-26 20:04:23

16.90

382

flyai会员1601473802

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

LeNet5

2020-09-30 22:49:16

16.90

383

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为16.90。

2020-10-12 21:53:58

16.90

384

flyai会员1612070094

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.90。

PyTorch

ResU-Net

2021-01-31 13:17:47

16.90

385

flyai会员1616139866

batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为16.90。

2021-03-19 16:14:57

16.90

386

1+1=⑨

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为15.70。

2019-11-06 21:43:43

15.70

387

lingxi396

batch数据为16,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为13.50。

2019-11-02 08:39:40

13.50

388

for three

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为13.50。

2019-11-06 23:28:14

13.50

389

10点睡7点起

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为11.70。

2019-11-13 21:41:46

11.70

390

歡喜先生

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为11.40。

2019-11-14 10:41:49

11.40

2019-12-02
一口大怪兽

模型得分为98.5,本次获得排名奖奖金为210

2019-12-02 15:00:02

trickornot

模型得分为98.6,本次获得排名奖奖金为420

2019-12-02 15:00:02

大木淡漠

模型得分为98.7,本次获得排名奖奖金为630

2019-12-02 15:00:02

小林子

模型得分为98.8,本次获得排名奖奖金为1050

2019-12-02 15:00:02

善假于物

模型得分为98.9,本次获得排名奖奖金为1890

2019-12-02 15:00:02

2019-11-27
善假于物

模型得分为98.9,本次获得实时奖励奖金为4

2019-11-27 10:45:58

2019-11-19
小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:44

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:39

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:37

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:35

2019-11-15
小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:27

小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:25

小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:21

2019-11-14
小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:08

小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:07

小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:04

2019-11-11
一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:16

一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:13

一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:10

2019-11-07
交差墒

模型得分为97.2,本次获得实时奖励奖金为1.17

2019-11-07 10:34:36

2019-11-06
Mengcius

模型得分为97,本次获得实时奖励奖金为2.34

2019-11-06 11:26:58

2019-11-05
emmm我还没想好

模型得分为98.3,本次获得实时奖励奖金为17

2019-11-05 11:01:18

emmm我还没想好

模型得分为98.3,本次获得实时奖励奖金为17

2019-11-05 11:01:15

2019-11-04
Mengcius

模型得分为89.6,本次获得实时奖励奖金为1.5

2019-11-04 11:18:29

忘忧草892

模型得分为97.9,本次获得实时奖励奖金为9.38

2019-11-04 11:17:01

天涯·明月·刀

模型得分为97.2,本次获得实时奖励奖金为18.75

2019-11-04 11:15:42

batter

模型得分为88.6,本次获得实时奖励奖金为3

2019-11-04 11:13:00

Wghost

模型得分为94.6,本次获得实时奖励奖金为1.17

2019-11-04 11:09:08

Daiccccc

模型得分为97.9,本次获得实时奖励奖金为53.5

2019-11-04 11:08:15

Mengcius

模型得分为87.9,本次获得实时奖励奖金为1.5

2019-11-04 11:06:36

善假于物

模型得分为92.7,本次获得实时奖励奖金为1.41

2019-11-04 11:06:16

siaya

模型得分为90.4,本次获得实时奖励奖金为6

2019-11-04 11:06:02

emmm我还没想好

模型得分为97.2,本次获得实时奖励奖金为75

2019-11-04 11:02:23

宇宙

模型得分为93.4,本次获得实时奖励奖金为2.81

2019-11-04 10:57:46

田海滨

模型得分为91.3,本次获得实时奖励奖金为5.63

2019-11-04 10:57:38

siaya

模型得分为86.2,本次获得实时奖励奖金为1.5

2019-11-04 10:56:34

208.

模型得分为91.2,本次获得实时奖励奖金为11.25

2019-11-04 10:56:26

chenfengshf

模型得分为94.8,本次获得实时奖励奖金为2.34

2019-11-04 10:56:12

208.

模型得分为85.9,本次获得实时奖励奖金为3

2019-11-04 10:56:03

忘忧草892

模型得分为96.8,本次获得实时奖励奖金为4.69

2019-11-04 10:55:55

一口大怪兽

模型得分为97.2,本次获得实时奖励奖金为150

2019-11-04 10:54:33

Zkk_hhh

模型得分为90.1,本次获得实时奖励奖金为12

2019-11-04 10:52:47

chenfengshf

模型得分为87.2,本次获得实时奖励奖金为6

2019-11-04 10:52:40

一口大怪兽

模型得分为96.9,本次获得实时奖励奖金为9.38

2019-11-04 10:52:16

大木淡漠

模型得分为94.9,本次获得实时奖励奖金为18.75

2019-11-04 10:50:58

clare

模型得分为91.7,本次获得实时奖励奖金为22.5

2019-11-04 10:47:43

宇宙

模型得分为88.2,本次获得实时奖励奖金为24

2019-11-04 10:47:33

超爱喝酸奶

模型得分为91.9,本次获得实时奖励奖金为45

2019-11-04 10:47:23

善假于物

模型得分为86.6,本次获得实时奖励奖金为12

2019-11-04 10:46:43

2019-11-01
超爱喝酸奶

模型得分为88.8,本次获得实时奖励奖金为48

2019-11-01 11:53:41

西北风

模型得分为97.5,本次获得实时奖励奖金为324

2019-11-01 11:53:36

Winteriscoming

模型得分为94.2,本次获得实时奖励奖金为37.5

2019-11-01 11:49:14

Winteriscoming

模型得分为92.2,本次获得实时奖励奖金为90

2019-11-01 11:48:20

emmm我还没想好

模型得分为96.9,本次获得实时奖励奖金为54

2019-11-01 11:48:12

emmm我还没想好

模型得分为95.4,本次获得实时奖励奖金为562

2019-11-01 11:48:07

讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心